百度PaddlePaddleCV疫情实战技术分享

百度CV疫情实战技术分享

        这是第二次参加深度学习七天打卡训练营之后的技术心得分享，对于刚刚入门的我有很多感触，也有了水平的提升，还获得了深度学习图书。这七天的学习内容相较于上一次难度是大了不少，另外，新的PaddlePaddle 1.7.0版本，对于整个代码的封装更加清晰，定义网络结构的流程也更加清晰，便于理解。整体流程分为：

• 数据准备

（1）解压原始数据集

（2）按照比例划分训练集与验证集

（3）乱序，生成数据列表

（4）构造训练数据集提供器和验证数据集提供器

• 网络模型配置

    在本次课程中，我学会了DNN，CNN，VGG，LeNet5，Resnet等多种网络结构的配置，对于基础的卷积，池化等操作的计算方式才有了了解，还学习到了封装网络层的方法，这次课程我获益匪浅。

• 模型训练

调用定义好的网络和准备好的训练数据来训练模型，计算模型的损失，分类识别等等操作的准确率，可以通过多种优化器了优化模型损失，比如fluid.optimizer.Adam Optimizer和SGD Optimizer，这两个优化方式在实战中常用，Adam优化收敛效果更好。在优化模型过程中，设置合适的学习率learning_rate对模型优化很有帮助。从卷积神经网络学习到：修改卷积核的个数，卷积核的大小，修改网络层数，改模型的学习率等等都会让网络达到更好的效果。

• 模型评估

通过训练模型的loss值和accuracy值来判断模型的好坏，可以通过曲线图来直观看出training loss和training accuracy的收敛情况，loss值越小趋于0，accuracy值越大趋于1，模型越好。在很多情况下，出现了训练模型准确率高，而测试模型的准确率却很低，这种情况下的模型优化尤为重要。搞清楚哪种网络对于解决哪种问题效果最好尤为重要。这次实战中的手势识别就遇到了这个问题，虽然训练模型准确率为100%，但是测试准确率只有86%，优化好久结果微乎其微，还希望后续开放每日先锋优胜者的代码，来供我们学习讨论，调参的过程是深度学习很重要的一个步骤。

• 模型预测

调用定义好的网络和准备好的测试数据来预测结果，这次课程主要是分类和识别。

七天的课程包括了：新冠疫情可视化，手势识别，车牌识别，口罩分类识别以及一个人流密度检测的比赛——检测图片中的人数，以及PaddleSlim的应用模型压缩。整个学习过程采用先实战在直播的方式，直播课程内容包括理论知识和实战，相比于简单的完成打卡作业，理论的学习更是重要，课程快要结束了，但是后面还有一些视频内容需要反复观看。我很欣慰自己这几天的努力，很充实，每天为了模型能进一步完善，跑出更好的效果奋战到深夜。

下面是我七天的打卡记录：

Day1：新冠疫情可视化

爬取了3月31日当天丁香园公开的统计数据，根据累计确诊数，使用pyecharts绘制疫情分布图。100分，老师评价这个图大气！哈哈，加油！

 

 

Day2：手势识别及优化

模型的训练准确率很高近100%，识别结果基本正确，但是测试准确率第一次只有80%，经过多次优化也只有86%。对于优化过程是我认为最难的，我尝试了CNN和LeNet5两种网络结构，优化效果不佳。听说有优化到100%的大神，所有希望后续能开放每日先锋优胜者的代码，来供我们学习讨论，毕竟共同学习效率也高，调参的过程是深度学习很重要的一个步骤。

 

Day3：车牌识别及优化

采用的是Lenet5网络结构，识别效果还不错，但是对于图像的需要预处理，准确切割出车牌的区域，所以数据的准备过程比较重要。最终的准确率约97%，后续还可以继续优化。

 

Day4：口罩分类、识别

分类的效果非常好，测试准确率达到了100%，使用的VGG16网络，在分类网络中是经典的网络，这里的实战学会了封装卷积池化网络层。

 

Day5：人流密度检测比赛

这个比赛还有两天结束，已经经过了六次调优，但是损失还是徘徊在e-6很难达到e-7，希望后面两天能有突破，现在用了CNN和VGG_16_net得分都不太高，后面准备在网络结构上修改一下，选择前几天表现好的网络。向前三的大佬学习！

 

Day6：PaddleSlim模型压缩

PaddleSlim是一个模型压缩工具库，包含模型剪裁、定点量化、知识蒸馏、超参搜索和模型结构搜索等一系列模型压缩策略。PaddleSlim提供各种压缩策略的底层辅助接口。

在直播上讲的模型裁剪的相关内容，在后续实践中是对量化的学习。

 

 

整体来说，通过七天进阶训练，有点难度，后续要花时间巩固消化，对于模型优化的方法，在后天直播后，如果有了了解会再去总结分享的。